分解熊猫数据框的列

Question

我从互联网上获得了一段代码来分解熊猫数据框的分类列，但由于我是 python 新手，所以我很难理解它。

有人可以逐行解释以下代码。

train 和 test 是 pandas 数据帧，按顺序排列相同的列。

for (train_name, train_series), (test_name, test_series) in zip(train.iteritems(),test.iteritems()):
    if train_series.dtype == 'O':
        #for objects: factorize
        train[train_name], tmp_indexer = pd.factorize(train[train_name])
        test[test_name] = tmp_indexer.get_indexer(test[test_name])

我对@9​​87654324@这一行特别感兴趣

另外请解释一下，pd.factorize 到底是做什么的？它是否将字符“A”、“AA”、“AAA”转换为不同的数字因子？

Answer 1

第一行：iteritems 遍历数据框的列并返回 (column_name, actual_column) 对。通过zipping 和for 行中的解构，你最终得到：

• train_name：train 数据框中当前列的名称；
• test_name：test数据框中对应列的名称；
• train_series 和 test_series：实际列（作为熊猫系列）。

第二行：检查列是否为Object 类型，本质上意味着它包含字符串并且是分类列。

第三行：factorize 将在 第二 位置返回所提供列中唯一值（或分类标签）的列表，并且在 first 位置，可以让您从唯一值重新创建原始列的索引。换句话说：

labels, uniques = pd.factorize(column)
for i in range(len(column)):
    print(column[i] == uniques[labels[i]])  # True

继续解构赋值，当前的train 列train[train_name] 将被其基于索引的表示替换，而tmp_indexer 将包含原始train[train_name] 中的唯一值。

第四行：get_indexer 将返回在test[test_name] 中的值可以在tmp_indexer 中找到的索引。结果，当前的test 列被索引列表替换，其方式与上一行中对应的train 列完全相同。

最终结果：train 和 test 中的两列都从一系列字符串（分类值）变为一系列数字索引值，两者都在同一个索引上（临时）对象。